前言
在前一篇的博文中,我們詳細(xì)講解了傅里葉變換的原理以及使用Numpy庫實(shí)現(xiàn)傅里葉變換。但是其實(shí)OpenCV有直接實(shí)現(xiàn)傅里葉變換的函數(shù)。
在OpenCV中,我們通過cv2.dft()來實(shí)現(xiàn)傅里葉變換,使用cv2.idft()來實(shí)現(xiàn)逆傅里葉變換。兩個函數(shù)的定義如下:
cv2.dft(原始圖像,轉(zhuǎn)換標(biāo)識)
這里的原始圖像必須是np.float32格式。所以,我們首先需要使用cv2.float32()函數(shù)將圖像轉(zhuǎn)換。而轉(zhuǎn)換標(biāo)識的值通常為cv2.DFT_COMPLEX_OUTPUT,用來輸出一個復(fù)數(shù)陣列。
經(jīng)過cv2.dft()函數(shù)的變換后,我們會得到原始圖像的頻譜信息。此時零分量與Numpy庫實(shí)現(xiàn)一樣都不在中心位置。這里我們還是需要使用numpy.fft.fftshift()函數(shù)將其移動到中間位置。
需要特別注意的是,函數(shù)cv2.dft()返回值是雙通道的,第1個通道是結(jié)果的實(shí)數(shù)部分,第2個通道是結(jié)果的虛數(shù)部分。使用numpy.fft.fftshift()函數(shù)處理后,頻譜圖像還只是一個由實(shí)部和虛部構(gòu)成的值,要顯示出來,要使用到另一個函數(shù)cv2.magnitude()。
該函數(shù)的定義如下:
cv2.magnitude(參數(shù)1,參數(shù)2)
參數(shù)1:浮點(diǎn)型x坐標(biāo)值,也就是實(shí)部
參數(shù)2:浮點(diǎn)型y坐標(biāo)值,也就是虛部,它必須和參數(shù)1具有相同的大小(size)
得到頻譜圖像的幅度之后,還需要將幅度映射到灰度空間[0,255]內(nèi),使其以灰度圖像顯示出來。與前篇博文一樣,使用20*np.log(cv2.magnitude())。
實(shí)現(xiàn)傅里葉變換
下面,我們來通過上述OpenCV函數(shù)來實(shí)現(xiàn)傅里葉變換,并顯示其頻譜信息。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("4.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftShift = np.fft.fftshift(dft)
result = 20 * np.log(cv2.magnitude(dftShift[:, :, 0], dftShift[:, :, 1]))
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.subplot(122)
plt.imshow(result, cmap="gray")
plt.axis('off')
plt.show()
運(yùn)行之后,顯示效果與前篇博文一樣。
實(shí)現(xiàn)逆傅里葉變換
還是與上篇博文一樣,這里我們過濾圖像的頻譜信息,這里我們過濾低頻信息。
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread("4.jpg", 0)
dft = cv2.dft(np.float32(img), flags=cv2.DFT_COMPLEX_OUTPUT)
dftShift = np.fft.fftshift(dft)
result = 20 * np.log(cv2.magnitude(dftShift[:, :, 0], dftShift[:, :, 1]))
rows,cols=img.shape
rows_half,cols_half=int(rows/2),int(cols/2)
mask=np.zeros((rows,cols,2),dtype=np.uint8)
mask[rows_half-30:rows_half+30,cols_half-30:cols_half+30]=1
#逆傅里葉變換
fShift=dftShift*mask
ishift=np.fft.ifftshift(fShift)
iimg=cv2.idft(ishift)
iimg=cv2.magnitude(iimg[:,:,0],iimg[:,:,1])
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.subplot(122)
plt.imshow(iimg, cmap="gray")
plt.axis('off')
plt.show()
運(yùn)行之后,效果如下:
可以看到過濾低頻信息后,圖像的邊緣信息被消弱了。
到此這篇關(guān)于OpenCV-Python使用cv2實(shí)現(xiàn)傅里葉變換的文章就介紹到這了,更多相關(guān)OpenCV 傅里葉變換內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- OpenCV圖像變換之傅里葉變換的一些應(yīng)用
- python用opencv 圖像傅里葉變換
- FFT快速傅里葉變換的python實(shí)現(xiàn)過程解析
- 使用python實(shí)現(xiàn)離散時間傅里葉變換的方法
- python傅里葉變換FFT繪制頻譜圖
- Python實(shí)現(xiàn)快速傅里葉變換的方法(FFT)
- opencv python 傅里葉變換的使用
- OpenCV半小時掌握基本操作之傅里葉變換